La voz en tiempo real enfrenta su prueba más dura: la latencia en América Latina

OpenAI ha puesto en producción dos nuevos modelos de voz —GPT-Live-Transcribe y GPT-Transcribe— diseñados para transcripción en tiempo real y procesamiento por lotes, respectivamente. Casi en simultáneo, Microsoft actualizó su documentación de Copilot Studio para habilitar agentes de voz en tiempo real, un paso que posiciona a ambos gigantes compitiendo en el mismo tablero: lograr que hablar con una IA sea tan natural como una llamada telefónica. Para las empresas en América Latina, sin embargo, la pregunta operativa no es si estos modelos funcionan, sino si funcionarán bien con sus usuarios reales, que se conectan desde redes con latencias que duplican o triplican los promedios de Estados Unidos o Europa.

El artículo técnico de OpenAI sobre GPT-Live explica que el sistema utiliza un modelo de habla sin turnos (turnless speech) y una arquitectura de baja latencia para sostener conversaciones continuas. Los datos de rendimiento publicados por la compañía muestran mejoras concretas: GPT-Live-Transcribe reduce la tasa de error de transcripción al 9,60%, frente al 11,65% de su predecesor GPT-Realtime-Whisper. GPT-Transcribe baja aún más, hasta 8,98%, comparado con el 15,21% de Whisper-1. En pruebas independientes del laboratorio Artificial Analysis, GPT-Transcribe alcanzó un 3,31% de tasa de error de palabras, aunque todavía por detrás de Voxtral Small de Mistral y Gemini 3.1 Pro de Google, ambos con 2,8%.

Un dato concreto para quien evalúe integrar estas APIs es el precio: GPT-Transcribe cuesta 4,50 dólares por cada mil minutos de audio procesado. Por otro lado, la documentación de Microsoft Copilot Studio detalla cómo configurar agentes de voz en tiempo real que pueden personalizarse y publicarse, apuntando directamente a escenarios de atención al cliente, automatización de soporte y centros de contacto.

Aquí es donde la ingeniería de red se cruza con la experiencia de usuario. El artículo de MDN sobre latencia explica que la latencia de red se mide como el tiempo de ida y vuelta de un paquete de datos. En una conexión 4G/LTE regular, la latencia mínima es de 20 ms; en 3G regular sube a 100 ms; en 2G puede llegar a 300 ms o más. Un estudio académico reciente sobre edge AI en dispositivos conectados, publicado en el Journal of Computer Science and Technology Studies, detalla que para lograr inferencia en tiempo real en el dispositivo es necesario optimizar modelos mediante cuantización, poda y destilación de conocimiento, y utilizar procesadores especializados como NPU o TPU.

Combinar estas piezas permite leer la jugada estratégica: tanto OpenAI como Microsoft entienden que la latencia de ida y vuelta a la nube puede arruinar la experiencia de voz interactiva. Por eso el edge computing —procesar el modelo localmente en el dispositivo— es la única ruta viable para obtener respuestas por debajo de los 200 ms, el umbral que los usuarios perciben como “instantáneo”. En América Latina, donde según datos de Speedtest Intelligence la latencia promedio de red fija ronda los 20-30 ms en ciudades principales pero puede superar los 100-150 ms en conexiones móviles rurales, sumar el tiempo de procesamiento en servidores remotos —a menudo ubicados en Estados Unidos o Brasil— empuja la experiencia total hacia lo frustrante.

Para un ejecutivo de una empresa latinoamericana que esté evaluando implementar un agente de voz para atención al cliente, esto se traduce en una decisión concreta: ¿invierto en ejecutar modelos localmente en los dispositivos de los usuarios (edge AI) o acepto que mi servicio de voz tendrá una pausa perceptible en una fracción significativa de mis llamadas? La primera opción requiere inversión en hardware o en aplicaciones nativas optimizadas; la segunda puede erosionar la satisfacción del cliente en mercados donde la competencia local ya está ofreciendo experiencias más rápidas.

OpenAI no ha anunciado centros de datos en América Latina para reducir la latencia de sus APIs de voz. Microsoft, con su infraestructura de Azure en regiones como Brasil, Chile y México, tiene una ventaja geográfica que podría traducirse en menor latencia para los agentes de Copilot Studio desplegados localmente. Para las startups y empresas de la región, elegir un proveedor con presencia regional de nube puede marcar la diferencia entre una conversación fluida y una que obligue al usuario a repetir cada frase.

La promesa de la voz en tiempo real es enorme: centros de contacto automatizados, asistentes virtuales en español que entiendan los acentos de todo el continente, transcripción médica y legal en vivo. Pero esa promesa se sostiene sobre una capa de red que en la región sigue siendo heterogénea. Antes de firmar un contrato con un proveedor de APIs de voz, cualquier equipo técnico latinoamericano debería medir la latencia real desde sus propios usuarios, no desde un servidor de pruebas en Miami.

Lanzar un producto de voz IA con alta latencia conlleva un riesgo que no es técnico: es comercial. El usuario no sabe ni le importa si el retraso viene del modelo o de la red. Simplemente abandona la llamada.